图像缺陷

图像缺陷不可避免

连接组学的制样和成像过程，特别是切片后成像技术，会引入各式各样的图像缺陷，这是影响图像自动化处理过程的关键因素之一1。 其中，因透镜畸变引起图像缺陷属于比较稳定的系统误差，可以通过高冗余重叠图像建模后进行修正2。 因染色导致的图像污染属于较轻的随机误差，不会对切片结构进行破坏，处理难度视具体污染程度而定。 因物理切片造成的切片结构变化属于较严重的随机误差范畴，如果仅是一定程度内的图像拉伸和皱缩，通常能够被图像重构算法所容忍；但是如果造成了实质性的结构破坏，如图像撕裂或图像褶皱，目前尚无有效的修复方案，缺陷图像会明显影响后续的图像拼接和图像对齐过程，因而为了获取更高质量的图像重构结果，在实际工作中往往会将受损图像丢弃，然后按照切片缺失来进行处理。而切片丢失也确实是连接组学图像采集阶段不可避免的问题之一，但是只要丢失的切片数量在一定范围内，都不会对后续的处理造成太大影响。目前，有很多基于深度学习的方法，在对有数据缺失的图像进行结构重构时展现出更好的表现3，这或许是彻底解决连接组学图像缺陷的一条可循之路。

  1. Kisuk Lee, Nicholas Turner, Thomas Macrina, Jingpeng Wu, Ran Lu, and H Sebastian Seung. Convolutional nets for reconstructing neural circuits from brain images acquired by serial section electron microscopy. Current opinion in neurobiology, 55:188–198, 2019. ↩

  2. Verena Kaynig, Bernd Fischer, Elisabeth Müller, and Joachim M Buhmann. Fully automatic stitching and distortion correction of transmission electron microscope images. Journal of structural biology, 171(2):163–173, 2010. ↩

  3. Jan Funke, Fabian Tschopp, William Grisaitis, Arlo Sheridan, Chandan Singh, Stephan Saalfeld, and Srinivas C Turaga. Large scale image segmentation with structured loss based deep learning for connectome reconstruction. IEEE transactions on pattern analysis and machine intelligence, 41(7):1669–1680, 2018. ↩